METODE ROBUST KRIGING UNTUK MENGESTIMASI DATA SPASIAL BERPENCILAN (Studi Kasus: Pencemaran Udara Gas NO 2 di Kota Semarang)

Transkripsi

1 ISSN: JURNAL GAUSSIAN, Volume 5, Nomor 3, Tahun 2016, Halaman Online di: METODE ROBUST KRIGING UNTUK MENGESTIMASI DATA SPASIAL BERPENCILAN (Studi Kasus: Pencemaran Udara Gas NO 2 di Kota Semarang) Anjan Setyo Wahyudi 1, Sugito 2, Dwi Ispriyanti 3 1 Mahasiswa Departemen Statistika FSM Universitas Diponegoro 2,3 Staff Pengajar Departemen Statistika FSM Universitas Diponegoro setyowahyudianjan@gmail.com, sugitozafi@undip.ac.id, ispriyanti.dwi@gmail.com ABSTRACT Kriging is a geostatistical analysis used to estimate the value of the function at an unsampled point by computing a spatial correlation in the neighbourhood of the sample point. Interpolation can produce less precise predictive value if there are outliers among the data. Outliers defined as extreme observation value of the other observation values. Robust kriging is development method of ordinary kriging which transform weight of classic semivariogram thus become semivariogram that robust to outlier of the data. This research aims to estimate the concentrate of Nitrogen Dioxide (NO 2 ) in Semarang using robust kriging method. The spatial data used in this research is coordinates point and concentrate of Nitrogen Dioxide (NO 2 ). This method compare between robust semivariogram and theoretical semivariogram (such as spherical, exponential, and gaussian models) to determine the best estimator of the theoretical semivariogram model. The analysis showed that the best theoretical semivariogram model is exponential model. The estimation of Nitrogen Dioxide concentration conducted at 177 urban communities in Semarang. Keywords: kriging, outliers, robust kriging, robust semivariogram 1. PENDAHULUAN Udara bersih yang dihirup merupakan suatu gas yang tidak tampak, tidak berbau, tidak berwarna, dan tidak berasa. Namun, dewasa ini udara yang benar-benar bersih sudah sangat sulit untuk diperolah, mengingat banyaknya industri-industri di kota-kota besar serta ditambah oleh polusi padatnya asap kendaraan. Udara merupakan campuran beberapa macam gas yang perbandingannya tidak tetap, tergantung pada keadaan suhu udara, tekanan udara, dan lingkungan sekitarnya [20]. Komposisi udara bersih terdiri dari nitrogen (N 2 ) sebesar 78,09 %, oksigen (O 2 ) sebesar 21,94 %, argon (Ar) sebesar 0,93 %, dan karbon dioksida CO 2 ) sebesar 0,032 %. Apabila komponen udara mengalami perubahan dari keadaan normal seperti tersebut diatas maka dapat dikatakan bahwa udara telah tercemar [20]. Pencemaran udara adalah masuknya atau dimasukkannya zat, energi, atau komponen lain ke dalam udara ambien oleh kegiatan manusia, sehingga mutu udara ambien turun sampai ke tingkat tertentu yang menyebabkan udara ambien tidak dapat memenuhi fungsinya [19]. Salah satu sumber pencemar udara yaitu senyawa kimia gas nitrogen dioksida (NO 2 ). Sifat gas (NO 2 ) adalah berwarna merah kecoklatan dan berbau tajam menyengat hidung. Senyawa kimia gas nitrogen dioksida (NO 2 ) mempunyai dampak negative terhadap pertumbuhan tanaman pangan, pemanasan global (global warming), korosi terhadap alat dan mesin logam, dan pembentukan kabut berbahaya [18]. Badan Lingkungan Hidup (BLH) Kota Semarang telah melakukan pengukuran terhadap gas tersebut tetapi hanya beberapa sampel. Oleh karena itu, untuk mengetahui kadar gas NO 2 pada suatu titik tertentu yang tidak dilakukan pengukuran digunakanlah suatu metode interpolasi geostatistik.

2 Geostatistik merupakan gabungan ilmu antara geologi, teknik, matematika, dan statistika [5]. metode kriging merupakan teknik geostatistik untuk interpolasi nilai di lokasi yang tidak teramati dari pengamatan dan nilainya diperoleh dari lokasi terdekat [9]. Ada beberapa metode kriging yang dikembangkan seperti simple kriging, ordinary kriging, dan universal kriging [4]. Ketiga metode ini membutuhkan asumsi bahwa data berdistribusi normal. Namun sering kali pada kenyataannya data yang diperoleh tidak berdistribusi normal dan terdapat pencilan atau outlier. Robust kriging merupakan pengembangan dari ordinary kriging yang mentransformasikan bobot variogram pada variogram klasik menjadi variogram yang robust terhadap pencilan [5]. Pada penelitian ini, data yang digunakan adalah rata-rata konsentrasi senyawa kimia gas polutan nitrogen dioksida (NO 2 ) di Kota Semarang dari tahun 2014 sampai Tujuan dalam penelitian ini adalah mengetahui model semivariogram terbaik untuk mengestimasi konsentrasi senyawa kimia gas NO 2 pada masing-masing Kelurahan di Kota Semarang.. 2. TINJAUAN PUSTAKA 2.1 Data Spasial Data spasial merupakan data yang berorientasi geografis dari suatu objek, berkaitan dengan lokasi, bentuk dan hubungan diantaranya dalam ruang bumi. Bentuk penyajian dalam data spasial mempunyai tiga cara dasar yaitu titik (point), garis (line), dan area (polygon) [1]. Data spasial dapat dibedakan menjadi 3 tipe berdasarkan jenis datanya, yaitu data geostatistik (geostatistical data), data area (lattice data), dan pola titik (point pattern) [5]. Geostatistika muncul pada awal tahun 1980-an yang merupakan gabungan dari ilmu teknik pertambangan, geologi, matematika, dan statistika [5]. Kelebihannya jika dibandingkan dengan pendekatan klasik yaitu bahwa geostatistika mampu memodelkan baik kecenderungan spasial (spatial trend) maupun korelasi spasial (spatial correlation). Data area berhubungan dengan daerah spasial karena merupakan kumpulan data atribut diskrit yang merupakan hasil dari perhitungan atau penjumlahan pada wilayah tertentu [5]. Data area dapat didefinisikan sebagai sebuah konsep dari garis tepi dan neighbour (tetangga sebelah). Pola titik akan timbul ketika sebuah variabel yang akan dianalisis pada lokasi kejadian [5]. Dalam hal ini, apakah lokasi kejadian yang akan diteliti menunjukan suatu keacakan spasial, cluster, atau keteratuan (regularity) sehingga dapat dilihat apakan pola titik yang terbentuk memiliki ketergantungan titik atau tidak. 2.2 Pencilan Spasial (Spatial Outlier) Pencilan spasial (spatial outlier) didefinisikan sebagai ketidakstabilan lokal atau objek spasial yang menggambarkan atribut non-spasial yang relatif ekstrim atau berbeda secara signifikan dari objek spasial lainnya dalam lingkup ketetanggaan [17]. Salah satu metode yang dapat digunakan untuk mendeteksi adanya pencilan spasial adalah spatial statistic Z test yang didefinisikan sebagai berikut : dengan,, i = 1, 2,, n (1) = selisih antara nilai amatan dari lokasi ke-i dengan rataan nilai amatan lokasi yang dekat dengan lokasi ke-i. = nilai mean dari = standar deviasi dari = nilai Z tabel untuk tingkat signifikansi tertentu JURNAL GAUSSIAN Vol. 5, No. 3, Tahun 2016 Halaman 322

3 Jika, maka nilai amatan dari lokasi ke-i dideteksi sebagai outlier. 2.3 Variogram dan Semivariogram Variogram merupakan karakteristik dari korelasi spasial, yaitu korelasi antara dua buah data spasial yang disebabkan oleh bertambahnya jarak dari data yang akan diambil sehingga menyebabkan korelasi antara dua buah data spasial menjadi berkurang ataupun tidak memiliki korelasi [5]. Simbol dari variogram adalah yang didefinisikan sebagai berikut: dimana, h = rentang jarak antara dua lokasi = nilai pengamatan pada lokasi = nilai pengamatan pada lokasi dengan penambahan jarak Semivariogram merupakan suatu perangkat statistik untuk memvisualisasi, memodelkan, dan menjelaskan korelasi spasial antara variabel random dan [5]. Semivariogram didefinisikan sebagai berikut : (3) Variogram dan semivariogran terdiri dari beberapa komponen, yaitu sebagai berikut: 1. Range Range adalah jarak semivariogram mencapai sebuah masa stabil atau sill. 2. Sill Sill adalah masa stabil semivariogram yang mencapai range. Nilai sill sama dengan nilai varian dari data. 3. Nugget Effect Nugget effect adalah lompatan vertical dari nilai 0 pada titik asal menuju nilai dari semivariogram pada jarak pemisah yang terkecil. Variogram eksperimental merupakan variogram yang diperoleh dari hasil pengukuran data spasial berdasarkan nilai pengamatan [5]. Variogram dirumuska sebagai berikut: (4) Sedangkan semivariogram eksperimental dirumuskan sebagai berikut: dengan, = nilai variogram dengan jarak = nilai semivariogram dengan jarak = nilai pengamatan pada lokasi ke-i = nilai pengamatan pada lokasi ke-i dengan penambahan jarak = banyak pasangan data yang memiliki jarak Setelah diperoleh komponen-komponen semivaiogram dari perhitungan nilai semivariogram eksperimental, dilakukan analisis lebih lanjut untuk mengganti semivariogram eksperimental menjadi semivariogram teoritis. Ada beberapa model semivariogram teoritis yang dapat digunakan sebagai pembanding dengan semivariogral eksperimental yaitu sebagai berikut [13] : (2) (5) JURNAL GAUSSIAN Vol. 5, No. 3, Tahun 2016 Halaman 323

4 1. Model Spherical (7) 2. Model Eksponensial 3. Model Gaussian dengan, = jarak lokasi sampel = sill = range (8) (9) 2.4 Kriging Kriging merupakan analisis data geostatistika yang digunakan untuk mengestimasi besarnya nilai yang mewakili suatu titik yang tidak tersampel berdasarkan titik titik tersampel yang berada di sekitarnya dengan mempertimbangkan korelasi spasial yang ada dalam data tersebut [1]. Metode kriging dibagi menjadi tiga jenis kriging pokok, yaitu Simple Kriging, Ordinary Kriging, dan Kriging with a Trend [4]. 1. Simple Kriging Pada metode simple kriging diasumsikan bahwa mean atau rata-rata sudah diketahui dan memunyai nilai yang konstan. Metode ini dapat dikembangkan lagi, dimana data spasial yang akan diestimasi akan dipartisi menjadi beberapa bagian yang disebut metode sequential kriging. 2. Ordinary Kriging Ordinary kriging merupakan metode kriging yang paling sederhana pada geostatistika. Pada metode ini mempunyai asumsi bahwa rata-rata (mean) dari populasi tidak diketahui tetapi konstant. Data spasial yang digunakan dalam metode ordinary kriging harus tidak mengandung trend. Selain itu, data yang digunakan juga tidak mengandung pencilan (outlier). 3. Kriging with a Trend Kriging with a Trend atau yang biasa disebut dengan universal kriging merupakan metode kriging yang mempunyai kecenderungan trend dan merupakan bentuk umum dari simple kriging. Metode kriging with a trend ini digunakan untuk menangani masalah kenonstasioneran dari data yang diambil. 2.5 Robust Kriging Metode robust kriging merupakan pengembangan dari metode ordinary kriging yang mentransformasi bobot semivariogram klasik menjadi semivariogram yang robust terhadap pencilan dalam data [5]. Berbeda dengan perhitungan semivariogram klasik, untuk mengakomodir adanya pencilan dalam data spasial maka digunakan variogram robust yang didefinisikan sebagai berikut: Sehingga model semivariogram robust dapat dirumuskan sebagai berikut : (10) (11) JURNAL GAUSSIAN Vol. 5, No. 3, Tahun 2016 Halaman 324

5 dengan, = nilai variogram robust dengan jarak = nilai semivariogram robust dengan jarak = lokasi ke-i = nilai pengamatan pada lokasi ke-i = lokasi ke-i dengan penambahan jarak = nilai pengamatan pada lokasi ke-i dengan penambahan jarak = rentang jarak antara dua lokasi = banyak pasangan data yang memiliki jarak 2.6 Estimasi Robust Kriging Pada proses estimasi data spasial, semivariogram teoritis hasil dari analisis struktural dengan nilai MSE terkecil akan digunakan untuk menentukan bobot dari lokasilokasi yang tersampel terhadap lokasi yang akan diestimasi. Besarnya nilai bobot pada lokasi tersampel dapat dituliskan dalam notasi matriks sebagai berikut [13] : (12) (13) Matriks merupakan matriks nonsingular, yaitu sebuah matriks bujur sangkar dan det( ) 0 sehingga diperoleh persamaan sebagai berikut: (14) dimana, = nilai bobot dari semua lokasi tersampel = invers dari matriks semivariogram teoritis dari lokasi tersampel = matriks semivariogram teoritis dari lokasi tidak tersampel = nilai semivariogram teoritis dengan jarak antara lokasi ke-i dan ke-j dari loksi tersampel = nilai semivariogram teoritis dengan jarak antara lokasi tersampel dan tidak tersampel Estimasi kriging merupakan kombinasi linier, yaitu penjumlahan dari hasil kali anggota himpunan pasangan berurutan dari variabel yang tersampel dalam data spasial yang dirumuskan sebagai berikut : dengan, = nilai estimasi pada suatu lokasi = koefisien bobot dari, dengan = nilai pengamatan pada lokasi ke-i = banyak sampel yang digunakan dalam mengestimasi JURNAL GAUSSIAN Vol. 5, No. 3, Tahun 2016 Halaman 325

6 3. METODE PENELITIAN 3.1 Sumber Data Data yang digunakan pada penulisan tugas akhir ini berupa data sekunder tentang hasil pengukuran kualitas udara ambien di Kota Semarang dari tahun 2014 sampai Data tersebut diperoleh dari Badan Lingkungan Hidup (BLH) Kota Semarang yang berjumlah 28 data yang terdiri dari titik koordinat (X,Y) dan kandungan senyawa kimia gas nitrogen dioksida (NO 2 ) di udara. Pada penelitian ini data yang digunakan yaitu rata-rata hasil pegukuran kualitas udara ambien dari tahun 2014 sampai Variabel Penelitian Penelitian ini menggunakan 3 variabel sebagai berikut : X : Titik koordinat (bujur) Y : Titik koordinat (lintang) NO 2 : Kandungan NO 2 di udara (µgr/m 3 ) 3.3 Langkah Analisis Data Langkah-langkah yang dilakukan untuk mencapai tujuan dalam penelitian ini adalah sebagai berikut : 1. Menganalisis data secara deskriptif. 2. Mencari titik-titik yang saling berdekatan. 3. Mendeteksi data pencilan untuk mengetahui apakah data yang digunakan mengandung pencilan atau tidak. 4. Menghitung nilai semivariogram eksperimental yang mengakomodir adanya pencilan. Dalam hal ini semivariogram yang digunakan adalah semivariogram robust. 5. Menghitung nilai semivariogram teoritis berdasarkan nilai sill dan range yang diperoleh dari perhitungan semivariogram robust. 6. Melakukan analisis struktural dengan melihat plot semivariogram robust yang paling mendekati plot semivariogram teoritis. Selain itu, juga dapat dilakukan dengan membandingkan nilai Mean Square Error (MSE) untuk ketiga model semivariogram teoritis dan menentukan model terbaik dengan cara memilih nilai Mean Square Error (MSE) yang terkecil. 7. Menghitung nilai bobot untuk lokasi yang belum tersampel dengan menggunakan model semivariogram teoritis yang terbaik. 8. Melakukan estimasi kadar NO 2 menggunakan robust kriging. 4. HASIL DAN PEMBAHASAN 4.1 Deskripsi Data Variabel Min Max Mean Var Std. Dev NO 2 3,32 64,13 18,55 235,05 15,33 Berdasarkan tabel diatas dapat dilihat bahwa konsentrasi senyawa kimia gas NO 2 minimum sebesar 3,32 μgr/m 3 yang terletak di koordinat (110,4089; 7,00431) terdapat di Kantor Kecamatan Gajah Mungkur. Konsentrasi maksimum senyawa kimia ga NO 2 sebesar 64,13 μgr/m 3 terletak di koordinat (110,4232; 6,99189) terdapat di Kawasan Simpang Lima. Rata-rata konsentrasi senyawa kimia gas NO 2 sebesar 18,55 μgr/m 3 dengan nilai varian sebesar 235,05 μgr/m 3 dan standar deviasi sebesar 15,33 μgr/m 3 JURNAL GAUSSIAN Vol. 5, No. 3, Tahun 2016 Halaman 326

7 4.2 Pendeteksian Outlier Spasial Langkah pertama yaitu menentukan matriks jarak untuk titik-titik tersampel dengan menggunakan jarak euclide, kemudian menentukan titik-titik yang saling berdekatan. Dua titik dapat diasumsikan berdekatan apabila selisih jarak antara dua titik tersebut kurang dari nilai = 0, Setelah itu menghitung nilai dari yang dirumuskan sebagai berikut:, i = 1, 2,, n Apabila nilai > maka dapat dikatakan nilai amatan lokasi ke-i merupakan pencilan. Berdasarkan perhitungan yang dilakukan dengan taraf signifikansi α = 5% dapat disimpulkan bahwa terdapat dua data yang merupakan outlier, yaitu pada pos ke-17 yang terletak di Kawasan Simpang Lima dan pada pos ke-21 yang terletak di Jalan Kaligawe. 4.3 Menghitung Semivariogram Robust Untuk menentukan nilai semivariogram robust maka pasangan data tersebut akan dibagi menjadi beberapa kelas menggunakan persamaan sturge sehingga diperoleh sebanyak 6 kelas. Kemudian dihitung nilai semivariogram robust untuk 6 kelas menggunakan persamaan (11) sebagai berikut: Sehingga diperoleh nilai semivariogram robust sebagai berikut: Kelas Jarak Semivariogram ( ) 1 0, , , , , , , , , , , , , , , , , ,99761 Langkah selanjutnya adalah menentukan komponen dari semivariogram yaitu sill dan range. Nilai sill diperoleh dari varian data, yaitu sebesar 235, Sedangkan nilai range diperoleh dari nilai tengah jarak dari suatu kelas yang nilai semivariogramnya mendekati nilai sill yaitu sebesar 0, Menghitung Model Semivariogram Teoritis Ada beberapa model semivariogram teoritis yang dapat digunakan untuk membandingkan dengan semivariogram robust, yaitu model spherical, exponential, dan gaussian. Ketiga model tersebut akan digunakan pada setiap kelas sehingga diperoleh nilai-nilai semivariogram teoritis untuk masing-masing kelas sebagai berikut: Kelas Jarak ( ) Spherical Exponential Gaussian 1 0, , , , , , , , , , , , , , , , , , , , , , , ,43002 JURNAL GAUSSIAN Vol. 5, No. 3, Tahun 2016 Halaman 327

8 4.5 Analisis Struktural Analisis struktural merupakan proses pencocokan antara semivariogram robust dengan semivariogram teoritis. Secara visual analisis struktural dapat dilakukan dengan melihat plot dari kedua semivariogram tersebut. Selain itu untuk mengetahui semivariogram teoritis yang terbaik dapat digunakan perbandingan nilai MSE sebagai berikut: Kelas Jarak (h) Robust Spherical Error 2 1 0, , , , , , , , , , , , , , , , , , , , , , , ,347 MSE 9587,296 Kelas Jarak (h) Robust Exponential Error 2 1 0, , , , , , , , , , , , , , , , , , , , , , , ,752 MSE 7627,068 Kelas Jarak (h) Robust Gaussian Error 2 1 0, , , , , , , , , , , , , , , , , , , , , , ,431 MSE 10955,978 Berdasarkan hasil perhitungan nilai MSE diatas maka dapat disimpulkan bahwa model semivariogram yang terbaik adalah model exponential dengan nilai MSE terkecil sebesar 7627,068. Sehingga model model exponential yang akan digunakan untuk melakukan estimasi. 4.6 Estimasi Konsentrasi Gas NO 2 Estimasi konsentrasi gas NO 2 akan dilakukan pada kelurahan Pleburan Kecamatan Semarang Selatan dengan titik koordinat (110,42357; 6,99603). Langkah pertama menentukan nilai bobot dari semua titik tersampel diperoleh dari perkalian antara matriks dengan matriks yang tertera pada persamaan (14) dengan menggunakan semivariogram teoritis model exponential. Nilai bobot dari 28 titik sampel tersebut akan digunakan untuk mengestimasi konsentrasi senyawa kimia gas NO 2 pada kelurahan Pleburan dengan titik koordinat (110,42357; 6,99603) menggunakan persamaan (15) sebagai berikut: JURNAL GAUSSIAN Vol. 5, No. 3, Tahun 2016 Halaman 328

9 I X Y (NO 2 ) 1 110, , ,32-0, , , , ,50-0, , , , ,80 0, , , , ,08-0, , , , ,19-0, , , , ,84 0, , ,17318 Sehingga diperoleh konsentrasi senyawa kimia gas NO 2 pada Kelurahan Pleburan Kecamatan Semarang Selatan sebesar 49,17318 μgr/m 3. Langkah yang sama juga dilakukan untuk mengestimasi konsentrasi senyawa kimia gas NO 2 pada semua kelurahan di Kota Semarang. Nilai estimasi konsentrasi senyawa kimia gas NO 2 sebagai berikut: No Kelurahan X Y Konsentrasi Gas NO 2 1 Pleburan 110, , , Peterongan 110, , , Wonodri 110, , , Randusari 110, , , Barusari 110, , , Tugu Rejo 110, , , KESIMPULAN Berdasarkan hasil dan pembahasan menggunakan metode robust kriging untuk mengestimasi konsentrasi senyawa kimia gas NO 2 di Kota Semarang, maka dapat diperoleh kesimpulan sebagai berikut: 1. Terdapat dua data yang merupakan outlier, yaitu pada pos ke-17 yang terletak di Kawasan Simpang Lima pada koordinat (110,42317; 6,99189) dan pada pos ke-21 yang terletak di Jalan Kaligawe pada koordinat (110,47183; 6,95467). 2. Dari hasil perhitungan semivariogram robust diperoleh nilai sill sebesar 235,04631 dan range sebesar 0, Dari analisis struktural diperoleh model semivariogram teoritis yang paling mendekati model semivariogram robust dari data konsentrasi senyawa kimia gas NO 2 di Kota Semarang adalah semivariogram teoritis model exponential. 4. Hasil estimasi konsentrasi senyawa kimia gas NO 2 menggunakan metode robust kriging tertinggi berada di Kelurahan Pleburan Kecamatan Semarang Selatan pada koordinat (110,42357; 6,99603) sebesar 49,17318 μgr/m 3, dan konsentrasi terendah berada di Kelurahan Kudu Kecamatan Genuk dengan titik koordinat (110,4997; 6,96801) sebesar 6,57592 μgr/m Berdasarkan Peraturan Pemerintah Nomor 41 tahun 1999, baku mutu udara ambien nasional untuk senyawa kimia gas NO 2 sebesar 100 μgr/m 3 sehingga dapat disimpulkan konsentrasi senyawa kimia gas NO 2 di Kota Semarang masih dalam batas tidak membahayakan. JURNAL GAUSSIAN Vol. 5, No. 3, Tahun 2016 Halaman 329

10 DAFTAR PUSTAKA [1] Awali, A. A., Yasin, H., dan Rahmawati, R Estimasi Kandungan Hasil Tambang Menggunakan Ordinary Indicator Kriging. Jurnal Gaussian Vol. 2, No.1: Hal [2] Bahtiyar, A. D. R., Hoyyi, A., dan Yasin, H Ordinary Kriging dalam Estimasi Curah Hujan di Kota Semarang. Jurnal Gaussian Vol. 3, No. 2: Hal [3] Bohling, G Introduction to Geostatistics and Variogram Analysis. Diakses: 1 Februari [4] Bohling, G Kriging. Diakses: 9 Februari [5] Cressie, N. A. C Statistics For Spatial Data. New York: John Wiley and Sons, Inc. [6] Cressie, N. A. C. and Hawkins, D. M Robust Estimation of Variogram. Mathematical Geology Vol. 12, No. 2: Hal [7] Cressie, N. A. C. and Hawkins, D. M Robust Kriging A Proposal. Mathematical Geology Vol. 16, No. 1: Hal [8] Faisal, F. dan Rizal, J Kajian Pemilihan Model Semivariogram Terbaik Pada Data Spasial (Studi Kasus: Data Ketebalan Batubara Pada Lapangan Eksplorasi X). Jurnal Gradien Vol. 8, No.1: Hal [9] Fernandes, G. and Calderon, A Spatial Regression Analysis vs. Kriging Methods for Spatial Estimation. Int Adv Econ Res 15: Hal [10] Fridayani, N. M. S., Kencana, P. E. N., dan Sukarsa, K. G Perbandingan Interpolasi Spasial Dengan Metode Ordinary dan Robust Kriging pada Data Spasial Berpencilan (Studi Kasus: Curah Hujan di Kabupaten Karangasem). E-Jurnal Matematika Vol.1, No.1: Hal [11] Genton, M. G. and Furrer, R Analysis of Rainfall Data bya Robust Spatial Statistics S+SPATIALSTATS. Jurnal of Geographic Information and Decision Analysis Vol.2, No.2: Hal [12] Hawkins, D. M Identification Outliers. Chapman and Hall. [13] Isaaks, E. H. and Srivastava, R. M Applied Geostatistics. New York: Oxford University Press, Inc. [14] Kusumawardani, D. S., Sudarno, dan Yasin, H Simulasi Pengukuran Ketepatan Model Variogram Pada Metode Ordinary Kriging dengan Teknik Jackknife. Jurnal Gaussian Vol. 3, No. 3: Hal [15] Makkulau, Linuwih, S., Purhadi, dan Mashuri, M Pendeteksian Outlier dan Penentuan Faktor-Faktor yang Mempengaruhi Produksi Gula dan Tetes Tebu dengan Metode Likelihood Displacement Statistic-Lagrange. Jurnal Teknik Industri Vol. 12, No.2: Hal [16] Prahutama, A Estimasi Kandungan DO (Dissolved Oxygen) di Kali Surabaya dengan Metode Kriging. Statistika Vol. 1, No. 2 [17] Shekhtar, S., Lu, C. T., and Zhang, P Unified Approach to Detecting Spatial Outliers. GeoInformatica 7:2, Hal [18] Suharto, I Limbah Kimia dalam Pencemaran Udara dan Air. Yogyakarta: Andi. [19] Republik Indonesia Peraturan Pemerintah Nomor 41 Tahun 1999, tentang Pengendalian Pencemaran Udara. Jakarta: Sekretariat Negara. [20] Wardhana, W. A Dampak Pencemaran Lingkungan. Edisi Revisi. Yogyakarta: Andi. JURNAL GAUSSIAN Vol. 5, No. 3, Tahun 2016 Halaman 330